开篇故事：一个让人崩溃的Demo演示
去年冬天，我帮一个做智能门禁的朋友调试树莓派上的YOLOv5。他信心满满地拿来一块Pi 4B，说“代码都写好了，就卡在推理速度上”。我插上显示器，运行他的脚本——好家伙，一帧要跑2.3秒，画面卡得像PPT。他挠着头说：“我在Jetson Nano上明明能跑15FPS啊，怎么换了个板子就崩了？”
我问他：“你用的什么框架？”
“PyTorch啊，直接加载.pt模型，用OpenCV读摄像头。”
我叹了口气：“兄弟，你这是开着卡车去跑马拉松啊。”
树莓派和Jetson Nano最大的区别在于：Jetson有专用NPU和CUDA核心，而树莓派的VideoCore GPU对深度学习几乎零加速。如果你把Python + PyTorch那套直接搬过来，CPU 100%满载，内存爆掉，帧率能上5FPS都算你运气好。
今天这篇，我就带你走一遍从Python到C++的完整迁移路径。目标很明确：在树莓派4B上，用TFLite或OpenCV DNN，把YOLOv5跑进30FPS。
痛点拆解：你正在犯的三个致命错误
错误一：用PyTorch直接推理
# 反例代码：树莓派上直接跑PyTorchimporttorch
